除了會看會聽，還會“聞”。近日，一直致力于模仿人類五感的人工智能又有新突破，通過神經(jīng)擬態(tài)芯片，人工智能已經(jīng)掌握了丙酮、氨和甲烷等10種氣味的神經(jīng)表征，強烈的環(huán)境干擾也不會影響它對氣味的準確識別。這項由英特爾研究院與美國康奈爾大學(xué)共同參與的研究成果，日前發(fā)表于《自然·機器智能》雜志上。
神經(jīng)擬態(tài)即通過模擬人腦神經(jīng)元的工作機制，讓計算機具備像人一樣的自然智能特性。英特爾公布的另一項研究顯示，將上述768塊神經(jīng)擬態(tài)芯片集成在5臺標準服務(wù)器大小的機箱中形成的神經(jīng)擬態(tài)系統(tǒng)——Pohoiki Springs，已經(jīng)相當(dāng)于擁有了1億個神經(jīng)元的大腦，而這相當(dāng)于一個小型哺乳動物的大腦神經(jīng)元數(shù)量。
通過堆疊芯片形成的神經(jīng)擬態(tài)系統(tǒng)似乎讓我們看到了“機器可以和人一樣聰明”的希望，那神經(jīng)擬態(tài)芯片及大規(guī)模集成系統(tǒng)的就緒，是否意味著“強認知、小樣本學(xué)習(xí)”的神經(jīng)擬態(tài)計算有了規(guī)模商用的可能?
神經(jīng)擬態(tài)訓(xùn)練無需大量樣本
目前深度學(xué)習(xí)算法作為實現(xiàn)人工智能的重要技術(shù)手段，被廣泛應(yīng)用于各類人工智能成果中。對于以深度學(xué)習(xí)算法為支撐的人工智能成果，數(shù)據(jù)可以說是研究的血液。數(shù)據(jù)量越大，數(shù)據(jù)質(zhì)量越高，深度學(xué)習(xí)所表現(xiàn)的性能也就越好。但在不少研究環(huán)境中，由于涉及隱私安全以及客觀條件限制，有效數(shù)據(jù)難以獲得。
“深度學(xué)習(xí)雖然取得了長足進步，但仍局限在圖像和語音等方面的分類和識別中。”英特爾中國研究院院長宋繼強說，人類視覺、語音兩類數(shù)據(jù)容易獲得和標注，滿足了深度學(xué)習(xí)的必要條件，研究及應(yīng)用相對成熟，但味覺和嗅覺的研究卻沒那么樂觀。
對于傳統(tǒng)的人工智能來說，主流的深度學(xué)習(xí)方法，可能需要設(shè)置上億個參數(shù)，訓(xùn)練數(shù)十萬次，才能辨別出貓和狗的區(qū)別，更不用說更為陌生的氣味識別領(lǐng)域。但是，即便對于一個幾歲的嬰孩來說，他們辨認動物、識別氣味只需要幾次就夠了。
普通人經(jīng)過訓(xùn)練能區(qū)分三四百種到數(shù)千種氣味，但現(xiàn)實世界可以區(qū)分的氣味超過萬種。為模擬人類嗅到氣味的大腦運行機制，研究人員采用了一套源自人類大腦嗅覺回路結(jié)構(gòu)和動力學(xué)相結(jié)合的神經(jīng)算法訓(xùn)練神經(jīng)擬態(tài)芯片，僅需單一樣本，神經(jīng)擬態(tài)芯片便可學(xué)會識別10種氣味，且不會破壞它對已學(xué)氣味的記憶。
宋繼強表示，即便是此前最先進的深度學(xué)習(xí)解決方案，要達到與神經(jīng)擬態(tài)芯片相同的分類準確率，也需要3000倍以上的訓(xùn)練樣本。
“理解大腦的神經(jīng)網(wǎng)絡(luò)如何解決這些復(fù)雜的計算問題，將為設(shè)計高效、強大的機器智能提供重要啟示。”英特爾神經(jīng)擬態(tài)計算實驗室高級研究科學(xué)家納比爾·伊瑪目說，下一步計劃將這種方法推進到更廣的應(yīng)用領(lǐng)域，包括從感官場景分析到規(guī)劃和決策等抽象問題。
芯片向人腦進化成為可能
一只瓢蟲的大腦有25萬個到50萬個神經(jīng)元，蟑螂的大腦有100萬個神經(jīng)元，斑馬魚的大腦有1000萬個神經(jīng)元，小型哺乳動物大腦有1億個神經(jīng)元。 上一頁 1 2 下一頁
